基于深度学习模型的SAR图像间歇采样转发干扰检测

间歇采样转发干扰(interrupted sampling repeater jamming, ISRJ)利用合成孔径雷达的匹配滤波特性,在其图像中产生间隔分布的假目标,对目标检测等造成欺骗效果,故针对ISRJ的检测与抑制具有重大意义,而现阶段相关研究主要集中在信号域。对此,在图像域中开展ISRJ检测研究。首先将实测数据与仿真干扰相结合,基于不同实测场景与仿真参数构建ISRJ样本;其次针对假目标间隔分布的特点,选用深度学习检测领域具有代表性的“两阶段”与“单阶段”模型;再次,使用单一场景的ISRJ样本对模型进行训练,再利用训练好的模型对其他场景的样本进行测试;最终,得到ISRJ检测结果。基于MiniSAR数据的实验表明,对于不同类别、不同场景以及不同参数的ISRJ样本,所用深度学习模型能够达到95.75%的平均总体检测精度,具有很强的泛化能力。此外,对于尺寸大小为501像素×501像素的样本,上述模型的最少检测用时为0.035 s。     

深度强化学习在天基信息网络中的应用——现状与前景

未来天基信息网络(space information network, SIN)领域将面临由结构复杂、环境动态、业务多样等发展趋势带来的挑战。数据驱动的深度强化学习(deep reinforcement learning, DRL)作为一种应对上述挑战的可行思路被引入SIN领域。首先简要介绍了DRL的基本方法,并全面回顾了其在SIN领域的研究进展。随后,以星地网络场景的中继选择为例,针对大规模节点问题提出了基于平均场的DRL算法,并提出一种基于微调的模型迁移机制,用以解决仿真环境与真实环境之间的数据差异问题。仿真证明了其对网络性能优化的效果,且计算复杂度和时间效率均具有可行性。在此基础上归纳和总结了DRL方法在SIN领域的局限性与面临的挑战。最后,结合强化学习前沿进展,讨论了此领域未来的努力方向。     

双层稀疏贝叶斯学习ISAR超分辨成像算法

传统贝叶斯成像常采用拉普拉斯分布进行成像特征表征,易使得成像结果过稀疏而容易丢失部分弱散射的结构特征,进而影响逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像精度提升。为实现高精度ISAR超分辨成像,本文采用伯努利-拉普拉斯混合稀疏先验对目标统计特性进行概率建模,利用双层稀疏对目标先验进行统计约束,从而有效模拟目标散射场统计先验。并在贝叶斯层级模型下,通过引入隐变量建模的方式对先验进行分层构建,在解决先验分布与高斯似然函数不共轭问题的同时简化贝叶斯推断,降低模型复杂度。为避免繁琐的手动参数调整,实现超参数的自调节,本文对各随机变量建立条件概率依赖模型,并利用马尔可夫链蒙特卡罗随机模拟估计算法解决高维积分和后验分布难以求解的问题,实现相关超参数的统计估计,提升算法自学习能力。仿真和实测数据均证明本文所提方法具有有效性和优越性。     

基于气象因素的机场进离港延误预测

针对机场延误预测过程中难以提取延误传播时空特征、预测结果受天气扰动大的问题,提出了基于气象因素的时空图卷积网络(meteorology-based spatio-temporal graph convolutional networks, MSTGCN)机场延误预测模型。该模型使用图卷积神经网络(graph convolutional neural network, GCNN)与门控卷积神经网络(gated convolutional neural network, Gated CNN)挖掘机场延误的时空特征,同时加入气象特征提取模块对机场延误时间进行预测。实验结果表明,该模型在中短时预测上的表现均优于其他对比模型;相较于不考虑气象因素的模型,MSTGCN对未来1 h、4 h和12 h预测的平均绝对误差分别降低了7.03%,7.93%,11.54%,对预测结果起到了极大的修正作用。     

基于混合自编码器的脑力负荷识别

为了消除多通道近红外光谱信号中存在的冗余信息并提取抽象特征,构建了基于混合自编码器的脑力负荷识别模型。首先,将原始信号送入栈式自编码器中进行通道降维;然后使用卷积自编码器对降维后的信号进行无监督学习从而提取抽象特征,并将特征依次送入支持向量机、K最近邻、随机森林这3种基分类器中进行建模;最后,用软、硬投票的集成策略来提高模型对脑力负荷识别的准确性。实验结果表明,混合自编码器具有良好的通道降维和提取抽象特征的能力,该模型在脑力负荷三分类任务中的准确率可以达到95.12%,相对于同类研究准确率有明显提升。     

基于自适应图的半监督图像分类方法

针对半监督分类模型存在的模型复杂度高、构造正则化项难度大的问题,从丰富样本特征表示的角度出发,构造了自适应图结构的融合网络模型（AGSH）。该模型在卷积神经网络模型（CNN）基础上引入了自适应图卷积神经网络（AGCN）提取CNN模型特征间的关系。对AGSH模型泛化性能的分析证明了该模型在解决半监督相关问题时的有效性。实验结果表明：融合模型在五种图像数据集上的分类精度相比于单一CNN模型分类精度均有提升。研究结论为解决小样本分类问题的建模方法提供了参考。     

交叉培训、团队压力与团队合作学习绩效间的权变模型

已有研究表明,交叉培训能有效提高团队运作效率和团队效能,但其作用机制尚不清楚。以31个学习团队为样本,从权变视角探讨交叉培训与团队合作学习绩效的关系,并揭示其内在作用机制,结果发现：团队压力正向调节两者之间的关系,即在压力较高的团队里,交叉培训才显著提高团队合作学习绩效;交叉培训通过共享心智模型作用于团队绩效,共享心智模型在两者之间起部分中介作用。     

基于YOLOv5网络的复杂雷达脉内调制类型快速识别方法

近年来雷达系统的抗截获能力快速发展,信号体制变得非常复杂,给空间态势感知信号处理带来困难。针对实际场景中极可能出现的多信号时频域交叠难以识别的问题,提出基于时频分析和深度神经网络的脉内特征识别的方法,利用时频分析手段将不同类型雷达信号转换为时频图像,基于深度学习的YOLOv5网络对不同混合交叠的雷达脉冲信号时频图开展研究。结果表明：在不同信噪比下,实现对两调相信号、三调频信号及调相与调频信号3种交叠情况的混合雷达信号脉内调制方式的检测与识别,信号调制体制识别准确率均达到95%以上。本文分析结果可为空间态势感知信号处理提供参考。     

算法时代网络平台版权过滤义务构建

传统“避风港”体系下网络平台的版权责任认定规则难以抵挡算法技术的系统性冲击,确有必要构建以事前治理为导向的版权过滤责任体系。利益平衡的坚守、经济效益的追求、制度建设的推动、过滤技术的发展也同时增强了版权过滤机制的可行性。应以比例原则找寻版权保护与言论自由的平衡点;秉持审慎适用的态度构建“版权过滤协议”自治规则,通过二元审查模式界定过滤范围,在类型化标准下采用“相对比例”设置过滤标准,同时健全反通知机制对错误过滤的权利施加救济。持续提高网络服务提供者的版权注意义务,对算法技术发起的挑战作出理性回应。     

基于OBE理念的高级法语课程教学模式研究

新文科背景下,提升高级法语课程实效是优化高校法语教学模式的重要内容。基于OBE教学理念,针对高级法语课程进行系统课程设计,通过对线上线下学习个性化的数据统计和分析,精准设计课程核心价值内容、混合学习模式教学方法和多维考核评估模式等。据此,本研究探索以OBE理念为指导的教学模式,以体验性为准则,通过实证研究验证了其在构建语言知识和实践能力相结合的有效性。结果表明：该模式能丰富法语教学的学科内涵,显著提升学生外语综合能力和高阶思维辨析能力,为培养更多讲好中国故事的高素质外语人才做了有益探索。